강의 마무리

Python을 활용한 신용 위험 모델링

Michael Crabtree

Data Scientist, Ford Motor Company

지금까지의 여정

  • Machine Learning 모델을 위한 신용 데이터 준비

    • 데이터 이해의 중요성
    • 데이터를 개선하면 단순한 모델도 높은 성능을 낼 수 있습니다

  • 로지스틱 회귀와 그래디언트 부스팅 트리 개발, 점수화, 이해하기

  • 데이터를 변경하여 모델 성능 분석하기

  • 결과의 재무적 영향 이해하기
  • 전략에 대한 이해를 바탕으로 모델 구현하기
Python을 활용한 신용 위험 모델링

위험 모델링 기법

  • 이 강의에서 다룬 모델과 프레임워크:

    • 이산 시간 해저드 모델(특정 시점): 부도 확률을 특정 시점의 사건으로 봅니다
    • 구조적 모델 프레임워크: 다른 요인을 바탕으로 부도를 설명하는 모델

  • 기타 기법

    • 사이클 전반 모델(연속 시간): 거시경제 조건 등의 영향을 반영하지만 위험을 독립적인 사건으로 봅니다
    • 환원형 모델 프레임워크: 부도 확률을 독립적인 포아송 기반 사건으로 추정하는 통계적 접근법
Python을 활용한 신용 위험 모델링

모델 선택하기

  • 다양한 Machine Learning 모델이 있지만, 이 강의에서는 로지스틱 회귀와 트리 모델을 사용했습니다

    • 단순하고 설명하기 쉬운 모델입니다
    • 확률 예측 성능도 충분합니다

  • 많은 금융 업계에서는 모델의 해석 가능성을 선호합니다

    • 복잡하거나 "블랙박스" 같은 모델은 기업이 결정을 완전히 설명할 수 없어 위험합니다
    • 심층 신경망은 종종 지나치게 복잡합니다
Python을 활용한 신용 위험 모델링

마지막 조언

  • 데이터에 집중하세요

    • 가능한 많은 데이터를 수집하세요
    • 다양한 기법으로 데이터를 준비하고 개선하세요
    • 비즈니스를 이해하세요
    • 데이터로 가치를 높이세요

  • 모델 복잡성은 양날의 검이 될 수 있습니다

    • 매우 복잡한 모델은 성능이 좋을 수 있지만 "블랙박스"로 여겨집니다
    • 많은 경우, 비즈니스 사용자는 이해할 수 없는 모델을 받아들이지 않습니다
    • 복잡한 모델은 규모가 크고 실제 운영에 적용하기 어려울 수 있습니다
Python을 활용한 신용 위험 모델링

감사합니다!

Python을 활용한 신용 위험 모델링

Preparing Video For Download...